Professional Documents
Culture Documents
Cesar H. Rodriguez G.
Facultad de Ingeniera, programa de Ingeniera en Automatizacin. Universidad de La Salle.
Bogot. D.C. Colombia.
y
Jos A. Tumialan B.
Facultad de Ingeniera, programa de Ingeniera en Automatizacin. Universidad de La Salle.
Bogot. D.C. Colombia.
RESUMEN
Este artculo presenta el diseo, la implementacin y los
resultados obtenidos, de un generador de autmatas celulares
(GAC), implementado a travs de un algoritmo gentico (AG).
Se busca crear una herramienta que permita encontrar
Autmatas Celulares (AC) con caractersticas definidas segn la
aplicacin para la cual se requieran, en este caso, AC clase III,
dinmicos, cclicos y con el mayor periodo de vida posible.
Dentro de los resultados ms relevantes se destaca la
metodologa de sintonizacin de la bsqueda, basada en AG, y
el hecho de que recurrentemente fue hallado uno de los
Autmatas celulares con mayor periodo reportado, el Rpentonomio con un periodo de vida de 1103 generaciones.
Palabras clave: Autmatas Celulares, Algoritmos Genticos,
computacin Universal.
1. INTRODUCCION
En palabras de Stephen Wolfram, uno de los cientficos ms
prominentes en el estudio de los autmatas celulares, stos
pueden ser vistos como unidades de cmputo, donde los datos,
representados por las condiciones iniciales del entorno, son
procesados a travs de la evolucin temporal del ambiente. Los
autmatas celulares han sido objeto de un estudio riguroso, ya
que son una forma discreta de representar un mundo constituido
por sistemas dinmicos, cuyas interacciones crecen en orden
exponencial y por lo tanto son intratables, aun cuando sea
considerado solo un conjunto reducido de variables. En este
contexto el primer AC generalizado fue el juego de la vida,
Game Life, propuesto por el matemtico britnico John Conway
en 1960. Consiste en un mundo virtual donde elementos
unicelulares nacen y mueren. Este no es un juego propiamente
dicho donde dos competidores buscan un objetivo comn, y la
victoria de un jugador implica la derrota del adversario. El
juego de la vida es una retcula dinmica donde los elementos
discretos que existen en cada posicin pueden cambiar de
estado en funcin del contenido de las celdas vecinas, existen
diversas definiciones de vecindario de un elemento en la
cuadricula, pero el adoptado como modelo estndar es el de
Moore [1], ver figura 1. As, el nuevo estado del mundo cambia
bajo la aplicacin a cada posicin de la retcula de las leyes de
la vida o leyes de conway [2].
a)
b)
c)
d)
Figura 1 a),b) Vecindad Von Neumann y su variante. c)
Vecindad de Moore. d) Vecindad extendida de Moore.
Las reglas del juego de la vida obedecen a una mquina de
estados tipo Mealy como se muestra en el diagrama de estado
de la figura 2, all, un pixel del mundo se enciende o vive, si el
nmero de vecinos que tiene a su alrededor es igual a 3
(nacimiento); un pixel del mundo que est vivo en un instante
dado, sobrevivir si su nmero de vecinos es igual a 2 a 3
(supervivencia), en otro caso ste se apaga o muere (muerte).
IndMasApto=Actualizacin
IndMasApto(IndMasApto_i
ter-1, IndMasApto)
IndMasApto_iter-1=
IndMasApto
completamente,
PobIni=PobN
AptPob=Evaluacin de aptitud
sobre el juego de la
vida(PobFenotipo)
IndMasApto=ExtraccinInd
MasApto(PobIni ,AptPob)
PobN=Algoritmo
Gentico(PobIni
,AptPob)
Iteracin< =No
de
generaciones?
AC= IndMasApto
Fenotipo=
PobFenotipo(iteracin)
FenotipoIni=Posicionar
Fenotipo (Fenotipo)
Fenotipo_Evolucion=Leyes
Conway(FenotipoIni)
FenotipoIni=
Fenotipo_Evolucion
AptE=AptitudEstat AptD=AptitudDinamica(Fenoti
ica(Fenotipo_Evol
po_Evolucion,
ucion,
Fenotipo_Evolucion-1,
AptE_evolucion-1)
AptD_evolucion-1)
Evolucion<=No
de Evoluciones?
Iteracin++
AptFenotipo(iter)=AptE+AptD
Iteracin<=No de
fenotipos?
AptPob=AptFenotipo
PobSig(iter*2)=Hijom1;
PobSig(iter*2+1)=Hijom2
Iteracion<=No de
Genotipos/2?
PobN=PobSig
a)
b)
4. PRUEBAS Y RESULTADOS
A continuacin se presentan los resultados de tres
experimentos: primero, variacin paramtrica para autmatas de
4 X 4 clulas, con mutacin en una posicin, segundo, igual que
el caso anterior pero con mutacin en mltiples posiciones
aleatorias, y tercero, bsqueda de autmatas de 6 X 6 clulas.
Los dos primeros experimentos son corridas donde se prueba
la incidencia de las variaciones en 4 parmetros del AG sobre
los resultados de la bsqueda. Se vara en su orden: la
probabilidad de mutacin, el nmero de poblaciones, el nmero
de cromosomas y el nmero de iteraciones de prueba, para el
clculo de la aptitud de los individuos. La probabilidad de
mutacin vara de 1/N a 1, en N pasos de magnitud 1/N. El
nmero de poblaciones, nmero de cromosomas y nmero de
iteraciones de prueba varia de 100/N a 100, en N pasos de
magnitud 100/N. Los valores por defecto cuando no se realiza
variacin sobre los parmetros son: nmero de cromosomas 25,
nmero de genes 16, nmero de poblaciones 50, probabilidad de
mutacin 0.3, nmero de iteraciones de prueba 50. Para estos
experimentos el nmero de variaciones correspondiente a N es
50.
El tercer experimento es una corrida donde se busca
c)
d)
Figura 9, Grficas de aptitud promedio vrs parmetro: a)
probabilidad de mutacin. b) nmero de poblaciones. c)
nmero de cromosomas. y d) nmero de iteraciones de prueba.
Del anlisis de las grficas anteriores, se puede obtener los
valores adecuados para los parmetros de configuracin del
algoritmo gentico, de tal forma que se alcance una mayor
eficiencia en la exploracin del espacio de bsqueda y mejores
resultados, es decir, autmatas celulares cclicos de alto periodo.
El rango de valores para cada parmetro se determina segn sea
alcanzado el valor mximo de aptitud promedio en el
experimento donde se varia el parmetro en estudio, es decir,
por ejemplo para el caso de variacin en la probabilidad de
mutacin, figura 9a, en el rango de 0 a 0.1 se observa que toda
corrida del AG despus del 20% de las iteraciones, alcanza
valores mximos de aptitud promedio.
Los valores as obtenidos para todos los parmetros variados
son: probabilidad de mutacin hasta 0.1 con fenotipos
excelentes y hasta 0.5 con fenotipos buenos; nmero de
c)
d)
Figura 14, Grficas de aptitud promedio vrs parmetro: a)
probabilidad de mutacin. b) nmero de poblaciones. c)
nmero de cromosomas. y d) nmero de iteraciones de prueba.
El primer autmata generado en el segundo experimento ya
haba sido encontrado en el primero, sin embargo no se hallaron
tantos estados iniciales como en el caso anterior, los estados
iniciales encontrados haciendo referencia a la figura 11 fueron:
1, 2, 3, 4, 5, 6, 7, 11, 12, 13, 15, 16, 22, 23, 25, 27, 29, 30, 31,
36, 38, 39, 40, 41, 42, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57,
58, 59 y 60.
a)
b)
Estado
inicial
Estado final
Observacin
Estado generador de
un glider, se produce
como resultado de la
corrida del AG para un
nmero de iteraciones
muy bajo, 6 periodos
de evolucin.
Figura 12. Autmatas experimento 1.
Estados
iniciales
Ciclo
No iteraciones
prueba
67
50
50
309
50
10
Slider
Estado final
111
10
16
10,12
11
81
16,20
12
62
18
13
51
22,26
Estado Inicial
Estado Final
Aptitud
Dinmico
27878